목적: 경도인지장애(mild cognitive impairment, MCI) 환자가 치매로 진행하는 시점을 정확히 예측하는 일은 매우 도전적인 과제이다. 본 연구의 목적은 MCI 환자에서 개인 수준의 장기 추적에 따른 향후 인지 저하와 자기공명영상(magnetic resonance imaging, MRI) 지표의 변화를 정확하게 예측할 수 있는 예측형 딥러닝 모델을 개발하는 것이다. 방법: 삼성의료원에서 인지검사, 뇌 MRI 검사, 아밀로이드-β(amyloid-β, Aβ) 양전자방출단층촬영(positron emission tomography, PET) 검사를 시행한 657명의 기억상실형 MCI 환자를 모집하였다. 본 연구에서는 순환 신경망(recurrent neural network, RNN)에서 주의(attention) 메커니즘을 활용하는 새로운 딥러닝 아키텍처를 설계하였다. 연령, 성별, 교육 수준, 아포지단백 E(apolipoprotein E) 유전자형, 신경심리검사 점수, 뇌 MRI 및 아밀로이드 PET의 특징을 입력으로 하여 예측 모델을 학습하였다. 제안된 네트워크를 사용하여 MCI 대상자의 인지 결과와 MRI 특징을 예측하였다. 결과: 제안된 예측 모델은 5-겹 교차검증에서 양호한 예측 성능(AUC = 0.814 ± 0.035)을 보였으며, 시간 경과에 따른 인지 저하 및 MRI 지표에 대해서도 신뢰할 만한 예측력을 나타냈다. Aβ(+) 환자에서는 Aβ(-) 환자에 비해 더 빠른 인지 저하와 더 큰 영역에서의 뇌 위축이 예측되었다. 결론: 본 방법은 특정 기간 내 개인의 질병 진행을 예측하는 데 효과적이고 정확한 수단을 제공한다. 이 모델은 MCI 환자에서 시간 경과에 따른 향후 인지 저하 및 MRI 지표 변화를 예측함으로써, 빠른 인지 저하 위험이 더 높은 대상자를 임상의가 식별하는 데 도움을 줄 수 있다. 향후 연구에서는 임상 의사결정의 질 향상을 위해 제안된 예측 모델을 추가로 검증하고 정교화해야 한다.

휴식상태 기능적 자기공명영상(resting-state functional magnetic resonance imaging, rs-fMRI)에 기반한 딥러닝 모델은 뇌 질환, 특히 자폐 스펙트럼 장애(autism spectrum disorder, ASD)를 진단하는 데 널리 활용되어 왔다. 기존 연구들은 rs-fMRI의 기능적 연결성(functional connectivity, FC)을 활용하여 주목할 만한 분류 성능을 달성해 왔다. 그러나 이들 연구에는 중대한 한계가 있는데, (1) 선형 저차 FC를 입력으로 모델에 사용하는 과정에서 충분한 정보가 반영되지 않는 점, (2) ASD 환자들 사이에서 개별 특성(즉, 서로 다른 증상 또는 중증도의 단계 차이)을 고려하지 않는 점, 그리고 (3) 의사결정 과정이 설명 가능하지 않다는 점이 포함된다. 이러한 한계를 보완하기 위해, 우리는 설명가능 인공지능 기법을 활용하여 뇌 영역들 간의 비선형 고차 기능적 연관성을 식별하고, 뇌 질환 식별을 위한 범주 구분에 유리한(class-discriminative) 영역을 선택하는 새로운 설명가능성 유도 영역(region of interest, ROI) 선택(explainability-guided region of interest selection, EAG-RS) 프레임워크를 제안한다. 제안된 프레임워크는 세 단계로 구성된다: (i) 랜덤 시드 기반 네트워크 마스킹을 통해 비선형 관계를 추정하기 위한 영역 간 관계 학습, (ii) 기능적 연결들 사이의 고차 관계를 탐색하기 위한 설명가능한 연결 단위 관련성 점수(explainable connection-wise relevance score) 추정, 그리고 (iii) 비선형 고차 FC를 기반으로 진단에 유익한 ROI를 선택하고 분류기를 학습하여 ASD를 식별한다. 우리는 Autism Brain Imaging Database Exchange(ABIDE) 데이터셋을 사용한 실험을 수행하여 제안 방법의 효과를 검증했으며, 다양한 평가 지표 측면에서 제안 방법이 다른 비교 방법들보다 우수함을 확인하였다. 또한 선택된 ROI를 질적으로 분석하고, 기존 신경과학 연구와 연관된 ASD 아형을 확인하였다.